11 o_Eagle_o

尚未进行身份认证

不忘初心,砥砺前行!

等级
TA的排名 5w+

Numpy、TensorFlow和Keras函数输入参数axis理解(二)

在利用numpy、TensorFlow和Keras等进行编程时,经常发现很多函数携带axis参数,且具有相同功能的函数的axis(轴)参数取值范围可能不同(操作方式也不一样),从而引起一些困惑。针对这一问题,归纳总结如下:2.TensorFlow函数中的axis参数理解在TensorFlow函数中,axis输入参数的取值范围是[-rank(input_tensor),rank(input_ten

2017-12-26 19:27:06

Numpy、TensorFlow和Keras函数输入参数axis理解(一)

在利用numpy、TensorFlow和Keras等进行编程时,经常发现很多函数携带axis参数,且具有相同功能的函数的axis(轴)参数取值范围可能不同(操作方式也不一样),从而引起一些困惑。针对这一问题,归纳总结如下:1. Numpy函数中的axis参数理解在Numpy中,axis的不同取值对应着numpy array的不同维度,通常取值范围是[-rank(input),rank(input))

2017-12-26 19:25:38

(转载)python学习——h5py快速指南

本文转载自http://blog.csdn.net/yudf2010/article/details/50353292,感谢原作者.1. 核心概念一个HDF5文件是一种存放两类对象的容器:dataset和group. Dataset是类似于数组的数据集,而group是类似文件夹一样的容器,存放dataset和其他group。在使用h5py的时候需要牢记一句话:groups类

2017-12-08 18:08:39

python中np.multiply()、np.dot()和星号(*)三种乘法运算的区别

为了区分三种乘法运算的规则,具体分析如下:importnumpyasnp1.np.multiply()函数*函数作用*数组和矩阵对应位置相乘,输出与相乘数组/矩阵的大小一致1.1数组场景A=np.arange(1,5).reshape(2,2)Aarray([[1,2],[3,4]])B=np.arange(0,4).reshape(2,2)Bar

2017-12-04 23:16:43

Numpy学习——数组填充np.pad()函数的应用

在卷积神经网络中,为了避免因为卷积运算导致输出图像缩小和图像边缘信息丢失,常常采用图像边缘填充技术,即在图像四周边缘填充0,使得卷积运算后图像大小不会缩小,同时也不会丢失边缘和角落的信息。在Python的numpy库中,常常采用numpy.pad()进行填充操作,具体分析如下:1.np.pad()函数1)语法结构pad(array,pad_width,mode,**kwargs)

2017-12-04 20:49:05

Kaggle比赛整理

Kaggle 是 Google 旗下的数据建模和数据分析竞赛平台,其上汇集了大量的数据建模和数据分析比赛。1 . kaggle比赛分类Kaggle 网站的比赛(Competitions)可以分为两大类(感谢原作者,引用来源):1.1 面向初学者Getting Started:让初学者体会机器学习的比赛Playground:有趣的比赛,主要看创意,而非解决具体的研究问题1.2 面向竞赛者Re

2017-11-20 17:13:02

Python——“元组、列表、字典、数组和矩阵”的大小问题

在实际应用中,通常需要求取元组、列表、字典、数组或矩阵的大小,为了便于以后应用上的方便,总结归纳如下:(1)数组和矩阵的大小import numpy as npA = np.random.randint(1,100,size = (4,5))Aarray([[56, 96, 27, 38, 33], [86, 64, 52, 21, 66], [97, 84, 94,

2017-11-19 14:03:00

Python——range()、xrange()和np.arange()应用说明

(1)range()和xrange()函数在python2.x版本中,同时存在range()和xrange()函数,其中,range()返回值是一个列表,xrange()返回值是一个迭代值;在python3.x版本中,取消了xrange()的定义,仅保留了range()函数,且range()函数的返回值也改为迭代值;xrange和range的语法格式相同。语法:-格式1:

2017-11-17 16:03:17

Numpy—np.random.seed()函数的应用

np.random.seed()函数可以保证生成的随机数具有可预测性。这里的可预测性是指相同的种子(seed值)所产生的随机数是相同的。如果不设置seed值,则系统根据时间来自己选择这个值,此时每次生成的随机数因时间差异而不同。语法:numpy.random.seed(seed=None)输入:—-seed参数默认为空,可选择整数或者数组,可选。但是,需要注意的是,s

2017-11-17 10:23:02

Numpy学习—np.random.randn()、np.random.rand()和np.random.randint()

在机器学习和神经网络中,常常会利用Numpy库中的随机函数来生产随机数,比如随机初始化神经网络中的参数权重W(备注:W是不能全部初始化为0的,这样会引起symmetrybreakingproblem,这样隐藏层设置多个神经元就没有任何意义了)。在Numpy库中,常用使用np.random.rand()、np.random.randn()和np.random.randint()随机函数。这

2017-11-16 23:20:38

Python List append()方法应用

append()方法作用:append() 方法用于在列表末尾添加新的对象。该方法无返回值,但是会修改原来的列表。引用:http://www.runoob.com/python/att-list-append.html场景:该方法可以用于在循环迭代过程中保存每一次的运行结果,比如为了画图,保存逻辑回归过程中每一次迭代的代价函数结果值。#定义空列表costs = []for i in range(1

2017-11-12 16:50:43

Numpy库学习—squeeze()函数

numpy.squeeze()函数语法:numpy.squeeze(a,axis = None) 1)a表示输入的数组; 2)axis用于指定需要删除的维度,但是指定的维度必须为单维度,否则将会报错; 3)axis的取值可为None 或 int 或 tuple of ints, 可选。若axis为空,则删除所有单维度的条目; 4)返回值:数组 5) 不会修改原数组;作用:从数组的形状中删除

2017-11-12 16:38:15

Python内建函数—isinstance()函数

instance函数归纳

2017-11-11 22:46:15

机器学习推荐网站(持续更新)

为了方便查阅和学习,对机器学习、深度学习相关的网站和资料进行归纳分类。(一)学习和实战平台1. 科赛2. ApacheCN(开源组织)3 . Kaggle比赛(二)在线教育1 . 斯坦福大学李飞飞课程-计算机视觉2. 斯坦福机器学习课程(吴恩达)3. 七月在线4. 深度学习与神经网络(吴恩达)(三)论坛1 . Thinkface人脸识别2. CV视觉世界(四)Scikit-Learn1 . S

2017-10-30 23:53:17

吴恩达《神经网络与深度学习》课程笔记归纳(一)

本文旨在对吴恩达《神经网络与深度学习》课程第一课中所阐述的主要观点进行归纳和分析。若后续遇到无法理解的地方,可以通过查阅如下博客:http://blog.csdn.net/red_stone1/article/details/77799014 ,或者观看视频:http://study.163.com/my#/smarts。I. 什么是神经网络深度学习(Deep Learning)就是更复杂的神经网络

2017-10-29 13:49:43

机器学习——标准化/归一化的目的和作用

机器学习——归一化的目的、作用和场景1)首先,数据标准化是为了将不同数量级的数据变成同一数量级,消除数量级的影响,比如:在K近邻算法中,如果不对解释变量进行标准化,那么具有小数量级的解释变量的影响就微乎其微了。再者,使用神经网络这种对数据比较敏感的算法时,数量级的差别会导致模型出现异常等等其次,数据标准化,也是无量纲化的一种方法,便于理解即说明。作者:rac

2017-10-27 09:25:44

矩阵、向量求导法则(转载)

本文转载自:http://www.cnblogs.com/huashiyiqike/p/3568922.html,转载的目的是为了积累,便于后续查阅,在此对原作者表示感谢!矩阵、向量求导法则在机器学习与深度学习中,经常遇到矩阵、向量的求导,为了便于后续查阅,转载如下:复杂矩阵问题求导方法:可以从小到大,从scalar到vector再到matrix。 x is a c

2017-10-26 23:29:39

Numpy库学习——线性代数及相关运算

在机器学习和深度学习的Python编程过程中,因为运行速度的要求,通常建议进行向量化。在向量化表达式后,会涉及大量的线性代数运算,尤其是矩阵之间的乘积运算。下面将会着重介绍Numpy库中的线性代数运算。在Numpy中的主要对象是同种元素的多维数组。对于多维数组的运算,Numpy默认不采用矩阵运算,即默认不把对应数组当做矩阵看待。如果希望对数组进行矩阵运算,可以通过调用相应的函数来实现。

2017-10-21 22:09:22

Numpy库学习——向量表示

Numpy库学习——向量表示在机器学习和深度学习的编程过程中,为了提高程序的运行速度,通常将模型表达式转换为向量表达式(向量化),即利用矩阵运算思想提高运行效率。那么,在Python中究竟如何利用Numpy库定义一个向量,以及如何判断否为向量呢?(一)Python中向量的特征通常情况下,Python中向量和数组之间界限比较模糊,很多时候是通用的,但是在有时候数组不一定能够表示向量,比如,利用Num

2017-10-21 00:39:07

Anaconda安装、库更新及jupyter-notebook默认目录更改方法

Anaconda里面集成了很多关于python科学计算的第三方库,对于学习Python和机器学习等非常方便,下面主要对软件使用过程中的库更新和jupyter-notebook默认目录修改方法进行一个归纳。(一)库、插件安装、更新通常Anaconda集成了较多的Python第三方库,为了确认是否已安装了相应的库,可以通过的cmd命令输入conda list并回车,即可以查看Anacond

2017-10-15 15:33:41
勋章 我的勋章
  • 持之以恒
    持之以恒
    授予每个自然月内发布4篇或4篇以上原创或翻译IT博文的用户。不积跬步无以至千里,不积小流无以成江海,程序人生的精彩需要坚持不懈地积累!